1 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina
|
|
- Timo-Jaakko Alanen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Taloustieteen mat.menetelmät syksy27 materiaali II-2 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina. Tuotanto Yritys valmistaa yhtä tuotetta n:stä tuotannontekijästä/panoksesta panosten määrät x 2 R n tyypillinen tapaus: x = (K; L), missä K on fyysinen pääoma ja L työpanos tuotanto y Teknologia määrittää tuotantomahdollisuuksien joukon, eli mahdolliset (y; x) parit, ns. tuotantojoukko jos käytössä on panokset x niin tuotoksena saadaan enintään f(x), tätä kutsutaan tuotantofunktioksi.2 Kustannusten minimointi Panosten yksikköhinnat w ; : : : ; w n kustannus panosten x käyttämisestä on w x = P i w ix i Yrityksen kustannusten minimointitehtävä yritys pyrkii tuottamaan määrän y mahdollisimman kustannustehokkaasti min x w x; s.e. y = f(x); x w ja y ovat eksogeenisia.3 Kustannusfunktio Kustannusten minimointitehtävän ratkaiseva panosten käyttö z(y; w) conditional factor demand (ehdollinen tuotannontekijöiden kysyntä) kohdefunktion optimaalinen arvo on C(y; w) = w z(y; w), eli kustannusfunktio!
2 .4 Esimerkki f(k; l) = p kl ja w = (w k ; w l ) Oletetaan, että optimissa k; l > Ensimmäisen kertaluvun ehto: w k p kl=@k = (=2) p l=k, w l p kl=@l = (=2) p k=l ja p kl = y havaitaan, että l=k = 4w 2 k =2 ja k=l = 4w 2 l =2, mistä saadaan 2 = 4w k w l ja edelleen l=k = w k =w l ehdon p kl = y avulla saadaan k = ( p w l =w k )y ja l = ( p w k =w l )y.5 Herkkyysanalyysi Taloustietelijää kiinnostaa usein se miten optimointitehtävän ratkaisu riippuu eksogeenisista muuttujista esimerkiksi miten kuluttajan optimi muuttuu kun tulot kasvavat huom. aikaisemmin kurssilla käsiteltiin herkkyysanalyysiä (comparative statics) yhtälöryhmien tapauksessa Tarkastellaan optimointitehtäviä, joissa maksimoidaan funktiota f(x; a) rajoitteilla h(x; a) =, missä a on eksogeeninen ratkaisu x riippuu eksogeenisista muuttujista, eli se on funktio x(a) miten x(a) muuttuu kun a muuttuu, entä f(x(a); a)? funktiota f(x(a); a) kutsutaan joskus arvofunktioksi (value function).6 Lagrangen kertoimien tulkinta Tarkastellaan tehtävää f(x ; x 2 ) rajoitteella h(x ; x 2 ) = a, missä a on eksogeeninen muuttuja Ajatellaan, että ratkaisu on a:n funktio siis x(a) ja (a), ja tätä Lagrangen kerrointa vastaten x(a) on kriittinen piste Lagrangen funktiolle L(x; ; a) = f(x) [h(x) a] Tulkinta h(x) = a kuvaa resurssirajoitetta, a=resurssin määrä, tutkitaan miten resurssin muutos vaikuttaa kohdefunktioon optimissa tutkittavana siis f(x(a)):n muutos, eli df(x(a))=da, joka siis kuvaa esim. tuoton muutosta suhteessa h resurssin i muutokseen h i Siis lasketaan df(x(a))=da dx(a) da 2 2
3 rajoite pitäisi saada jotenkin mukaan matriisimuodossa tämä voitaisi kirjoittaa [D a x(a)] T r x f(x(a)) (alaindeksi viittaa tässä muuttujaan/vektoriin jonka suhteen derivoidaan) Ensimmäisen kertaluvun ehdot ovat 2 = h(x(a)) = a kaksi ensimmäistä vektorimerkinnöin r x f(x(a)) [D x h(x(a))] T (a) = Havainto: f:n osittaisderivaatat optimissa x(a) voidaan lausua h:n i i vektorimuodossa r x f(x(a)) = [D x h(x(a))] T (a) Saadaan df()=da = (a) P h i h dxi() i i summattavana oleva lauseke on dh(x(a))=da ja tämä on koska h(x(a)) = a (oikean puolen derivaatta on )! Lopputuloksena df(x(a)) da = (a) Lause: Oletetaan, että x(a) ratkaisee tehtävän max f(x) s.e. h(x) = a, missä h : R n 7! R m, ja että x(a) on di erentioituva. Oletetaan myös, että ei-degeneroituvuus kvali kaatio pätee rajoitteille. Tällöin df(x(a))=da i = i (a). Miksi juuri nämä oletukset? Entä milloin voidaan olla varmoja, että x(a) on di erentioituva? Huom. tulos kertoo f:n muutoksen a:n pienille poikkeamille (ei suurille) Lagrangen kertoimet voidaan tulkita varjohintoina!.7 Esimerkki toimivuudesta f(x ; x 2 ) = x 2 x 2 ja h(x ; x 2 ) = 2x 2 + x 2 2 a Ratkaistaan tehtävä eliminoimalla toinen muuttuja rajoitteesta ja sijoitetaan tämä kohdefunktioon, saadaan rajoittamaton optimointitehtävä 3
4 näin voidaan yleisemminkin ratkoa yhtälörajoitettuja tehtäviä, tämä konsti ei kuitenkaan aina yksinkertaista ratkaisemista koska muuttujien eliminointi voi olla hankalaa Eliminoidaan x 2, eli x 2 = (a x 2 2)=2 ja sijoitetaan kohdefunktioon, jolloin maksimoitavana on x 2 (a x 2 2)=2 asetetaan derivaatta nollaksi a 3x 2 2 =, eli x 2 = p a=3 ja x = p a=3, optimi on x = ( p a=3; p a=3) Entäs Lagrangen = 2x x 2 = 4x, joten (a) = x 2 (a)=2 = p a=2 Kokeillaan: a = 3 ja a 2 = 3:3 teorian perusteella [f(x(a 2 )) f(x(a ))]=[a 2 a ] (a ) f(x(a 2 )) f(x(a )) :537 ja (a ) = :5 (a )(a 2 a ) = :3 :5 = :5, ero kolmannessa desimaalissa!.8 Toinen esimerkki Tuotetta tuotetaan kahdesta raaka-aineesta, määrät x, x 2 tuotantofunktio x x 2, yksikkökustannukset c ja c 2, hinta p kohdefunktio (voitto) px x 2 c x c 2 x 2 Viranomaiset asettavat tuotteen koostumukselle rajoitteen x = x 2 Ajatellaan tilannetta, jossa yritys haluasi lisätä raaka-ainetta tuotteeseen kohta nähdään mitä ehtoja tämä vaatimus asettaa eksogeenisille muuttujille matemaattisesti ilmaistuna yritys kohtaisi mielummin rajoitteen x = x 2 + a, a > kuin alkuperäisen rajoitteen Arvioidaan kuinka paljon yrityksen kannattaisi enintään maksaa viranomaiselle (tai investoida lobbaukseen) resurssirajoitteen muuttamisesta muotoon x = x 2 + a Ratkaistaan tehtävä tekemättä sijoitusta x = x 2 kohdefunktioon (vaikka tämä olisi houkuttelevaa) huom. Lagrangen kertoimien sisältämä informaatio on usein niin kiinnostavaa, että turhan tuntuiset rajoitteet kannattaa huomioida analyysissä 4
5 Ens. krt. luvun ehdot: px x 2 c = px x 2 c 2 + = x = x 2 Sijoitetaan x 2 = x kahteen muuhun ehtoon ja eliminoidaan toisesta saadaan px + + px + c c 2 = =(+ ) ratkaisuna x = x 2 = [(c + c 2 )=(p( + ))] Lagrangen kertoimeksi saadaan = (c 2 c )=( + ) Kun c 2 > c, niin yritys haluaisi lisätä raaka-ainetta kun a on pieni niin yrityksen kannattaisi maksaa enintään a rajoitteen muuttamisesta, siis kuvaa rajoitteen hintaa 2 Verhokäyräteoreema Tarkastellaan rajoittamatonta tehtävää max x f(x; a), missä a 2 R on eksogeeninen Miten optimaalinen f muuttuu kun a muuttuu? haetaan siis derivaattaa df(x(a); a)=da Lause: Oletetaan, että ratkaisu x(a) on di erentioituva. Tällöin df(x(a); a)=da a)=@a mistä nimi verhokäyräteoreema? paljon hyödyllisempi tulos kuin miltä äkkiseltään näyttäisi kvalitatiivisia tuloksia saadaan ratkaisematta optimi x:ää osittaisderivaatta on hyvin helppo laskea, kokonaisderivaatta ei ole 2. Esimerkki f(x; a) = x 2 + 2ax + 4a 2 Optimi derivoimalla: x(a) = a Sijoita kohdefunktioon ja derivoi a:n suhteen g(a) = f(x(a); a) = 5a 2, joten dg(a)=da = df(x(a); a)=da = a Sama tulos a)=@a = 2x + 8a = a 5
6 2.2 Marginaalikustannukset Oletetaan, että yritys tuottaa määrän q minimoimalla kustannukset kustannukset riippuvat myös käytettävissä olevasta pääomasta K (esim. koneet) kustannusfunktio c(k; q) Pitkällä aikavälillä yritys valitsee pääoman siten että kustannukset minimoituvat ) K(q), lyhyellä aikavälillä pääoma on kiinteä oletetaan että c(k; q) kertoo lyhyen aikavälin optimikustannuksen Pitkän aikavälin ja lyhyen aikavälin marginaalikustannukset ovat samat verhokäyräteoreemasta dc(k(q); q)=dq q)=@q Huom. verhokäyräteoreema toimii myös minimointitehtävälle Kokeillaan tuotantofunktiolla p KL, missä L on työ pääoman ja työn yksikkökustannukset = kustannus= K + L missä p KL = q, eli L = q 2 =K, siis c(k; q) = q 2 =K + K pitkän ajan optimi K(q) = q ja c(k(q); q) = 2q, eli dc(k(q); q)=dq = 2 Havaintoja: funktion c(k; q) graa on c(k(q); q):n yläpuolella paitsi kun q = K pisteessä q = K eo. funktioden tangentit ovat samat 2.3 Yleisempi verhokäyräteoreema Yhdistetaan edellä esitetyt tulokset, eli verhokäyräteoria ja Lagrangen kertoimien tulkinta Tarkastellaan tapausta, jossa sekä kohdefunktio että rajoitteet riippuvat eksogeenisesta muuttujasta a 2 R siis funktiot muotoa f(x; a) ja h(x; a) oletetaan taas, että ratkaisu x(a) ja Lagrangen kertoimet (a) ovat di erentioituvia, tarvitaan myös oletus ei-degeneroituneisuudesta Tulos: df(x(a); a)=da (a); a)=@a huom. rajoittamattomalle tehtävälle kyseessä on verhokäyräteoreema jos parametrinen riippuvuus on vain rajoitteessa ja se on muotoa h(x) = a, niin saadaan edellä ollut tulkinta Lagrangen kertoimille 6
7 2.4 Shepardin lemma Jatkoa kustannusfunktion johtamiseen Yrityksen kustannuksen minuimointitehtävän ratkaisuna saatiin kustannusfunktio C(y; w) = w z(y; w), missä z(y; w) on optimaalinen panosten käyttö Shephardin lemma z i (y; w) w)=@w i, i = ; : : : ; n seuraa verhokäyräteoreemasta 2.5 Ratkaisujen derivoituvuus Milloin x(a) on derivoituva, entä mikä on sen derivaatta? Tarkastellaan ensin rajoittamatonta tehtävää välttämätön optimaalisuusehto on a)=@x i =, i = ; : : : ; n merk. F (x; a) = implisiittifunktiolauseen perusteella yhtälöryhmän ratkaisu x(a) on derivoituva jos F :n Jacobin matriisi x:n suhteen on kääntyvä havainto D x F = D 2 xf, eli F :n Jacobin matriisi x:n suhteen on f:n Hessin matriisi implisiittifunktiolauseen oletukset toteutuvat kun f on kahdesti jatkuvasti di erntiotuva (F jatk. di erentioituva) ja D 2 xf on kääntyvä 7
8 Vastaava tarkastelu voidaan tehdä yhtälörajoitetulle tehtävälle ensimmäisen kertaluvun ehdot muodostavat yhtälöryhmän, jonka ratkaisuna saadaan x(a) ja (a) nämä ehdot voidaan kirjoittaa muodossa r x L(x; ; a) = h(x; a) = implisiittifunktiolauseen oletukset vaativat nyt että eo. yhtälöryhmän Jacobin matriisi (x; ):n suhteen on kääntyvä tämä ehto myös takaa ei-degeneroituvuus oletuksen voimassaolon merkitään ensimmäisen kertaluvun ehtoa F (x; ; a) =, implisiittifunktiolause: D(x(a); (a)) = 2.6 Kuluttajan teoriaa Tehtävä max U(x) rajoitteella p x = I [D (x;) F (x; ; a)] D a F (x; ; a) tässä x = (x ; : : : ; x n ) ja p = (p ; : : : ; p n ) (pystyvektori) tulkinta: budjettirajoite oletetaan aktiiviseksi ja lisäksi oletetaan, että x i > kaikilla i Välttämätön ehto: ru(x) p = I p x = Ehdot toteuttavat x(p; I), (p; I) ovat di erentioituvia, kun matriisi D H(x; p) = 2 U(x) p p T on kääntyvä H on ensimmäisen kertaluvun ehdon määräämän yhtälöryhmän Jacobin matriisi (x; ):n suhteen H on kääntyvä mm. silloin kun D 2 U(x) on neg.def. Esim. U(x ; x 2 ) = ln x + ln x 2, nyt ensimmäisen kertaluvun ehto on =x p = =x 2 p 2 = I p x p 2 x 2 = ja H(x; p) =x2 p =x 2 2 p 2 A p p 2 8
9 implisiittifunktiolauseen avulla voidaan laskea (x(p; I); (p; I)):n Jacobin matriisi (p; I):n suhteen: D (p;i) (x(p; I); (p; I)) = [H(x; p)] D (p;i) F (x; ; p; I); missä D (p;i) F (x; ; p; I) A x x 2 esimerkiksi kun p = (2; 2) ja I =, niin x = x 2 = =4 ja = 2, implisiittifunktiolauseesta D (p;i) (x(p; I); (p; I)) = saadaan D (p;i) (x(p; I); (p; 6 2A A =4 =4 =8 =4 =8 =4A 2 huom. tuloksen voi tarkistaa laskemalla x(p; I):n ja derivoimalla sitä 9
1 Rajoitettu optimointi I
Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause
LisätiedotOptimointi. Mitri Kitti
Optimointi Mitri Kitti Kevät 2013 Sisältö 1 Johdanto 4 1.1 Peruskäsitteet.................................. 4 1.1.1 Optimointitehtävä........................... 4 1.1.2 Optimi.................................
Lisätiedot1 Rajoitettu optimointi III - epäyhtälörajoitteet, teoriaa
Taloustieteen mat.menetelmät syksy27 materiaali II-3 Rajoitettu optimointi III - epäyhtälörajoitteet, teoriaa. Perustehtävä Maksimoi f(x) ehdoilla g i (x), i = ; : : : ; k tässä f; g i : R n 7! R, i =
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
Lisätiedot1 Komparatiivinen statiikka ja implisiittifunktiolause
Taloustieteen matemaattiset menetelmät 27 materiaali 4 Komparatiivinen statiikka ja implisiittifunktiolause. Johdanto Jo opiskeltu antaa nyt valmiu tutkia taloudellisia malleja Kiinnostava malli voi olla
Lisätiedot1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100
HARJOITUS, RATKAISUEHDOTUKSET, YLE 07.. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 0x +0xy +5y (b.) f(x,y) = 4x y xy +x+y +00 (a.) Funktion kriittiset pisteet ratkaisevat
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta
Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotTalousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta
Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:
Lisätiedotf(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.
Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina
LisätiedotMatematiikan peruskurssi (MATY020) Harjoitus 10 to
Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin
LisätiedotMalliratkaisut Demo 1
Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
LisätiedotY56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero
Y56 Kevät 2010 1 Y56 Laskuharjoitukset 4 Palautus viim. ti 30.3. klo 12-14 (luennolla!) Opiskelijan nimi Opiskelijanumero Harjoitus 1. Tuotantoteknologia Tavoitteena on oppia hahmottamaan yrityksen tuotantoa
LisätiedotHarjoitus 7: vastausvihjeet
Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
Lisätiedot1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
LisätiedotTalousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotPiiri K 1 K 2 K 3 K 4 R R
Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2
LisätiedotTaloustieteen mat.menetelmät 2017 materiaali 1
Taloustieteen mat.menetelmät 2017 materiaali 1 1 Taloustiede tutkii niukkojen resurssien kohdentamista kilpaileviin tarkoituksiin mikä on hyvä tapa kohdentaa? miten arvioida tuloksia? mitä niukkuus tarkoittaa?
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
LisätiedotKustannusten minimointi, kustannusfunktiot
Kustannusten minimointi, kustannusfunktiot Luvut 20 ja 21 Marita Laukkanen November 3, 2016 Marita Laukkanen Kustannusten minimointi, kustannusfunktiot November 3, 2016 1 / 17 Kustannusten minimointiongelma
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
LisätiedotIV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
LisätiedotMatematiikan perusteet taloustieteilij oille I
Matematiikan perusteet taloustieteilijöille I Harjoitukset syksy 2006 1. Laskeskele ja sieventele a) 3 27 b) 27 2 3 c) 27 1 3 d) x 2 4 (x 8 3 ) 3 y 8 e) (x 3) 2 f) (x 3)(x +3) g) 3 3 (2x i + 1) kun, x
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x
Lisätiedotf(x) f(y) x y f f(x) f(y) (x) = lim
Y1 (Matematiikka I) Haastavampia lisätehtäviä Syksy 1 1. Funktio h määritellään seuraavasti. Kuvan astiaan lasketaan vettä tasaisella nopeudella 1 l/min. Astia on muodoltaan katkaistu suora ympyräkartio,
LisätiedotRatkaisu: Tutkitaan derivoituvuutta Cauchy-Riemannin yhtälöillä: f(x, y) = u(x, y) + iv(x, y) = 2x + ixy 2. 2 = 2xy xy = 1
1. Selvitä missä tason pisteissä annetut funktiot ovat derivoituvia/analyyttisiä. Määrää funktion derivaatta niissä pisteissä, joissa se on olemassa. (a) (x, y) 2x + ixy 2 (b) (x, y) cos x cosh y i sin
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotVEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4
VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää
Lisätiedota) on lokaali käänteisfunktio, b) ei ole. Piirrä näiden pisteiden ympäristöön asetetun neliöruudukon kuva. VASTAUS:
6. Käänteiskuvaukset ja implisiittifunktiot 6.1. Käänteisfunktion olemassaolo 165. Määritä jokin piste, jonka ympäristössä funktiolla f : R 2 R 2, f (x,y) = (ysinx, x + y + 1) a) on lokaali käänteisfunktio,
LisätiedotPienimmän Neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
Lisätiedotw + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotMat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
LisätiedotDerivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2
MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotBM20A0900, Matematiikka KoTiB3
BM20A0900, Matematiikka KoTiB3 Luennot: Matti Alatalo Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luvut 1 4. 1 Sisältö Ensimmäisen kertaluvun differentiaaliyhtälöt
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
Lisätiedot5 Usean muuttujan differentiaalilaskentaa
5 Usean muuttujan differentiaalilaskentaa Edellä on jo käsitelty monia funktioita, joissa lähtö- (ja/tai) maalijoukko on useampi- kuin 1-ulotteinen: Esim. A-, B- ja C-raaka-ainemäärien yhdistelmien x =
LisätiedotMATP153 Approbatur 1B Harjoitus 5 Maanantai
MATP153 Approbatur 1B Harjoitus 5 Maanantai 30.11.015 1. (Opiskelutet. 0 s. 81.) Selvitä, miten lauseke sin(4x 3 + cos x ) muodostuu perusfunktioista (polynomeista, trigonometrisistä funktioista jne).
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotHäiriöteoriaa ja herkkyysanalyysiä. malleissa on usein pieniä/suuria parametreja. miten yksinkertaistetaan mallia kun parametri menee rajalle
Häiriöteoriaa ja herkkyysanalyysiä malleissa on usein pieniä/suuria parametreja miten yksinkertaistetaan mallia kun parametri menee rajalle jatkuvuus ja rajayhtälöt säännölliset ja epäsäännölliset häiriöt
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotMS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
. Lasketaan valmiiksi derivaattoja ja niiden arvoja pisteessä x = 2: f(x) = x + 3x 3 + x 2 + 2x + 8, f(2) = 56, f (x) = x 3 + 9x 2 + 2x + 2, f (2) = 7, f (x) = 2x 2 + 8x + 2, f (2) = 86, f (3) (x) = 2x
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
LisätiedotSivu 1 / 8. A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste. Olli Kauppi
Sivu 1 / 8 A31C00100 Mikrotaloustieteen perusteet: matematiikan tukimoniste Olli Kauppi Monisteen ensimmäinen luku käsittelee derivointia hieman yleisemmästä näkökulmasta. Monisteen lopussa on kurssilla
LisätiedotPanoskysyntä. Luku 26. Marita Laukkanen. November 15, Marita Laukkanen Panoskysyntä November 15, / 18
Panoskysyntä Luku 26 Marita Laukkanen November 15, 2016 Marita Laukkanen Panoskysyntä November 15, 2016 1 / 18 Monopolin panoskysyntä Kun yritys määrittää voitot maksimoivia panosten määriä, se haluaa
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
Lisätiedot1 Useamman muuttujan di erentiaalilaskenta
Taloustieteen matemaattiset menetelmät 207 materiaali 3 Useamman muuttujan di erentiaalilaskenta. Lineaariset funktiot Funktio f R n! R m on lineaarinen jos. Kaikille 2 R ja kaikille x 2 R n pätee 2. Kaikille
LisätiedotHaitallinen valikoituminen: yleinen malli ja sen ratkaisu
Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat-2.4142 Optimointiopin seminaari Matias Leppisaari 29.1.2008 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
Lisätiedot6. Toisen ja korkeamman kertaluvun lineaariset
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 Korkeamman asteen derivaatat Tutkitaan nyt funktiota f, jonka kaikki derivaatat on olemassa. Kuten tunnettua, funktion toista derivaattaa pisteessä x merkitään f (x).
Lisätiedot1.7 Gradientti ja suunnatut derivaatat
1.7 Gradientti ja suunnatut derivaatat Funktion ensimmäiset osittaisderivaatat voidaan yhdistää yhdeksi vektorifunktioksi seuraavasti: Missä tahansa pisteessä (x, y), jossa funktiolla f(x, y) on ensimmäiset
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
LisätiedotAalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Funktion kuperuussuunnat Derivoituva funktio f (x) on pisteessä x aidosti konveksi, jos sen toinen derivaatta on positiivinen f (x) > 0. Vastaavasti f (x) on aidosti
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotLuento 4: Lineaarisen tehtävän duaali
Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotHarjoitus 8: Excel - Optimointi
Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotLuento 6: Monitavoitteinen optimointi
Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
LisätiedotLuku 19 Voiton maksimointi
Kevät 00 Luku 9 Voiton maksimointi Edellisessä luvussa tarkastelimme yrityksen teknologisia rajoitteita ja niiden vaikutusta tuotantoon. Tuotannon syntymistä tuotannontekijöistä katsottiin niin samatuotoskäyrien
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
LisätiedotAalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla
LisätiedotLuento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
Lisätiedotx j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu
2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
Lisätiedota) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää.
.. Markkinakysyntä ja joustot a) Markkinakysyntä - Aikaisemmin tarkasteltiin yksittäisen kuluttajan kysyntää. - Seuraavaksi tarkastellaan koko markkinoiden kysyntää. Markkinoiden kysyntäkäyrä saadaan laskemalla
Lisätiedot4 Yleinen potenssifunktio ja polynomifunktio
4 Yleinen potenssifunktio ja polynomifunktio ENNAKKOTEHTÄVÄT 1. a) Tutkitaan yhtälöiden ratkaisuja piirtämällä funktioiden f(x) = x, f(x) = x 3, f(x) = x 4 ja f(x) = x 5 kuvaajat. Näin nähdään, monessako
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan
LisätiedotEste- ja sakkofunktiomenetelmät
Este- ja sakkofunktiomenetelmät Keijo Ruotsalainen Mathematics Division Luennon kulku Este- ja sisäpistemenetelmät LP-ongelmat ja logaritminen estefunktio Polun seuranta Newtonin menetelmällä Sakkofunktiomenetelmistä
LisätiedotVoidaan laskea siis ensin keskimääräiset kiinteät kustannukset AFC: 100 000 /10000=10
Harjoitukset 3 Taloustieteen perusteet Ratkaisuehdotukset Kesäyliopisto 2014 1. a) Autonrenkaita valmistavalla yhtiöllä on 100 000 :n kiinteät kustannukset vuodessa. Kun yritys tuottaa 10 000 rengasta,
LisätiedotMS-A0104 Differentiaali- ja integraalilaskenta 1 (ELEC2) MS-A0106 Differentiaali- ja integraalilaskenta 1 (ENG2)
MS-A4 Differentiaali- ja integraalilaskenta (ELEC2) MS-A6 Differentiaali- ja integraalilaskenta (ENG2) Harjoitukset 3L, syksy 27 Tehtävä. a) Määritä luvun π likiarvo käyttämällä Newtonin menetelmää yhtälölle
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotMatemaattinen lisäys A. Derivaatta matematiikassa ja taloustieteessä
Matemaattinen lisäys A. Derivaatta matematiikassa ja taloustieteessä Edellä rajakustannuksia MC(x) ja rajahyötyä MB(x) tarkasteltaessa käsiteltiin vain tapausta, jossa x on diskreetti suure (mahdollisia
Lisätiedot* Hyödyn maksimointi on ihmisten toimintaa ja valintoja ohjaava periaate.
KANSANTALOUSTIETEEN PERUSTEET Yrityksen teoria (Economics luvut 13-14) 14) KTT Petri Kuosmanen Optimointiperiaate a) Yksilöt pyrkivät maksimoimaan hyötynsä. * Hyödyn maksimointi on ihmisten toimintaa ja
LisätiedotMIKROTEORIA, HARJOITUS 5 YRITYKSEN VOITON MAKSIMOINTI JA KUSTANNUSTEN MINIMOINTI
MIKROTEORIA, HARJOITUS 5 RITKSEN VOITON MAKSIMOINTI JA KUSTANNUSTEN MINIMOINTI Olkoon ritksen kustannusfunktio c ( F a ritksen rajakustannukset kertovat, paljonko ritksen kustannukset muuttuvan kun tuotantoa
LisätiedotTaloustieteen matemaattiset menetelmät - pikakertausta ja toimintaohjeita Kurssin 1. osa
Taloustieteen matemaattiset menetelmät - pikakertausta ja toimintaohjeita Kurssin 1. osa Topi Hokkanen July 10, 2017 Esitiedoiksi oletetaan tuntemus vektoreista ja matriiseista (siis se, minkälaatuisia
Lisätiedot